Twierdzenie o rozkładzie normalnym wielowymiarowym - jest to uogólnienie twierdzenia o rozkładzie normalnym jednej zmiennej. Ono określa, jeśli mamy n-wymiarowy wektor pomiaru: oraz n-wymiarowy wektor wartości dokładnej: , to jaka jest gęstość prawdopodobieństwo uzyskania n-wymiarowego wektora dla pomiarów wokół wartości dokładnej.

Wyprowadzenie twierdzenia o rozkładzie normalnym wielowymiarowym Aby wprowadzić definicję gęstości prawdopodobieństwa uzyskania n wektorów, które symbolizują pomiary uzyskane w wyniku doświadczenia, a każde taki wektor z n jest m wymiarowy, które przedstawiają m pomiarów, różnych wielkości fizycznych uzyskanych jednocześnie. Każde takie m wielkości posiadają m wartości dokładnych. Mając wzór , w nim można logarytm naturalny z liczby trafień w m-wymiarowy punkt przedstawić jako funkcję "g" z minusem, którego argumentem jest m-wymiarowy wektor przedstawiający n jednoczesnych pomiarów różnych wielkości fizycznych, dzięki której chcemy wyznaczyć m wartości dokładnych jednocześnie:

gdzie m pomiarów jednoczesnych różnych wielkości fizycznych i m wartości dokładnych przedstawiamy:

Rozwińmy funkcję , którego argumentem jest m jednoczesnych pomiarów pomiarów i m wartości dokładnych, w szereg Taylora względem względem m wartości dokładnych, które są zapisane w postaci wektora pomijając wyrazy trzeciego rzędu i wyższych w tym rozważanym szeregu:

Zbudujmy macierze B i A występujące w przedstawieniu przybliżonych funkcji g , czyli według , gdzie macierz A jest wektorem poziomym pierwszych pochodnych cząstkowych względem wartości m pomiarów jednoczesnych x, a macierz B jest macierzą drugich pochodnych cząstkowych tej samej funkcji co poprzednio względem tych samych pomiarów:

Na podstawie przedstawienia macierz A i macierzy B i definicji wektora m jednoczesnych pomiarów i definicji wektora m wartości dokładnych tychże wspomnianych pomiarów , funkcję g możemy napisać w sposób przybliżony wedle schematu:

Wedle wzoru i przedstawienia funkcji g w szereg Taylora, który wektorowo zapisujemy wedle schematu , zatem na podstawie wzoru dla n pomiarów m wartości prawdopodobieństwo tego zdarzenia zapisujemy wedle:

Prawdpodobieństwo uzyskania n pomiarów m różnych wielkości fizycznych powinno mieć największe prawdopodobieństwo, gdy we wspomnianym wzorze podstawimy, za każdy pomiar z n doświadczeń podstawimy jego wartość dokładną, w tym celu należy policzyć pierwszą pochodną względem jednego pomiaru z "n" m-wymiarowego wektora jednoczesnych pomiarów, który po dokonaniu wspomnianego podstawienia funkcją prawdopodobieństwa powinna przyjmować wartość ekstremalną, zatem dochodzimy do wniosku, że ta pierwsza pochodna powinna przyjmować wartość zero:

Pierwsza pochodna musi przyjmować wartość zerową, gdy za m-wymiarowe wyniki pomiarów podstawimy jego wartości dokładne, zatem na podstawie tychże rozważań dostajemy we wspomnianym wzorze, że wektor poziomy A przyjmuje wartość zero w punkcie . Wedle tychże rozważań prawdopodobieństwo uzyskania n m-wymiarowych pomiarów jest wyrażone przez:

Dla pojedynczego pomiaru rozkład normalny prawdopodobieństwo uzyskania wektora jednoczesnych pomiarów, przy skorzystaniu ze wzoru , który mówi coś o uzyskaniu m pomiarów jednoczesnych różnych wartości pomiarów, jest pisana:

Na podstawie i wzór po podstawieniu za A wektora zerowego na podstawie powyższych rozważań przedstawia liczbę tych samych wektorów wyników pomiarowych z n niejednoczesnych pomiarów wektora wyników pomiarowych podzielonych przez n. Powyższy wzór jest spełniony, gdy mamy l poziomów, w którym te m-wymiarowe pomiary mogą posiadać składowe o pewnych wartościach. Gdy mamy m-wymiarową zmienne losowe ciągłe, to w tym przypadku gęstość prawdopodobieństwa jest opisywana tym samym wzorem co w przypadku dyskretnym, czyli równaniem .

Wyznaczenie elementów macierzy B, wartość dokładna a wartość oczekiwana Macierz na podstawie przemienności różniczkowania jest macierzą przemienną względem dowolnego punktu, w którym ta macierz jest obliczona, zatem na podstawie tego można powiedzieć:

Dowód równości wartości oczekiwanej i dokładnej Następnym krokiem jest policzenie wartości oczekiwanej funkcji wektorowej , względem funkcji gęstości prawdopodobieństwa przy m-wymiarowej przestrzeni. Funkcja gęstości prawdopodobieństwa jest funkcją parzystą względem argumentu , to wartość średnia względem wspomnianej funkcji jest równa zero ze względu na jej nieparzystość, co poniżej wykorzystano tą własność:

Na podstawie powyższych rozważań, które zawierają obliczenia , dochodzimy do wniosku, że m-wymiarowy wektor jest wartością oczekiwaną zmiennej , bo jedynkowy moment μ jest równy zero, tak jak powinno zachodzić zawsze dla tego obiektu statystycznego.

Definicja macierzy B poprzez macierz kowariancji Korzystając z definicji funkcji prawdopodobieństwa dla pojedynczego m-wymiarowego pomiaru , to wzór na wartość oczekiwaną możemy napisać:

Zróżniczkujmy obie strony równania względem wektora wartości dokładnej, która jest wektorem wartości najprawdopodobnych (oczekiwanych) , oczywiste jest, że po tej operacji otrzymujemy bardziej skomplikowaną tożsamość, z którego będziemy wyprowadzać macierz B:

Korzystając z symetryczności macierzy napisanej w punkcie i omówionej dlaczego ta jest, to tożsamość napisana wedle przyjmuje postać bardziej uproszczoną postać:

Znów korzystamy z definicji funkcji prawdopodobieństwa dla pojedynczego pomiaru, zatem możemy wyrazić tożsamość w bardziej prostej postaci:

Wykorzystujemy definicję normowania funkcji gęstości prawdopodobieństwa , która jest zapisana przy pomocy m-wymiarowej całki gęstości prawdopodobieństwa względem infinitezymalnej objętości należącej do tej przestrzeni przy całkowaniu po wszystkich punktach należących do tej przestrzeni: Korzystajmy ze wzoru na wartość oczekiwaną pewnej funkcji według wzoru przy tutaj panującej gęstości funkcji prawdopodobieństwa , wtedy można wartość oczekiwaną uzyskania m-wymiarowego wektora jednoczesnych pomiarów napisać sposobem:

Wykorzystując tożsamość i warunek normowania gęstości funkcji prawdopodobieństwa względem m-wymiarowej przestrzeni , wtedy wyrażenie można zapisać wedle równoważnej do poprzedniego wzoru w postaci:

Z końcowego równania wynikowego wyznaczmy macierz B, korzystając przy tym z wiadomości o macierzach z algebry:

Widzimy, że macierz B jest macierzą kowariancji zdefiniowanej w punkcie według definicji przy jego dowodzie przeprowadzonego powyżej:

Na podstawie tych rozważań końcowych macierz B jest odwrotnością macierzy kowariancji C.